以可操作度量重建对主动学习的信任
机器学习
2021-02-22 v3 机器学习
摘要
主动学习（AL）是一个活跃的研究领域，尽管需求迫切，却极少被工业界采用。这部分源于目标错位：研究力求在选定数据集上取得最佳结果，而工业界希望获得主动学习能稳定表现且至少优于随机标注的保证。主动学习本身的一次性特质使得理解策略选择如何开展以及何种因素导致不佳表现（缺乏探索、选择了过难分类的样本等）至关重要。为帮助工业界从业者重建对主动学习的信任，我们提出了多种可操作度量。通过在CIFAR100、Fashion-MNIST和20Newsgroups等参考数据集上的大量实验，我们表明这些度量为AL策略带来了可被从业者利用的可解释性。
引用
@article{arxiv.2012.11365,
title = {Rebuilding Trust in Active Learning with Actionable Metrics},
author = {Alexandre Abraham and Léo Dreyfus-Schmidt},
journal= {arXiv preprint arXiv:2012.11365},
year = {2021}
}
备注
16 pages, 38 figures